[论文解读] Modified SIR Model Yielding a Logistic Solution

Paul A. Reiser|arXiv (Cornell University)|Jun 2, 2020

Mathematical and Theoretical Epidemiology and Ecology Models参考文献 11被引用 4

一句话总结

本文提出了一种改进的SIR模型，引入恢复过程中的固定时延，以更好地反映现实中的疫情动态，取代经典SIR模型中关于感染个体立即被移除的不切实际假设。该模型为累积感染比例提供了逻辑斯蒂解，既保持了分析可解性，又通过时滞微分方程捕捉了感染与恢复之间的时间延迟，提升了现实性。

ABSTRACT

The SIR pandemic model suffers from an unrealistic assumption: The rate of removal from the infectious class of individuals is assumed to be proportional to the number of infectious individuals. This means that a change in the rate of infection is simultaneous with an equal change in the rate of removal. A more realistic assumption is that an individual is removed at a certain time interval after having been infected. A simple modified SIR model is proposed which implements this delay, resulting in a single delay differential equation which comprises the model. A solution to this equation which is applicable to a pandemic is of the form A+B L(t) where L(t) is a logistic function, and A and B are constants. While the classical SIR model is often an oversimplification of pandemic behavior, it is instructive in that many of the fundamental dynamics and descriptors of pandemics are clearly and simply defined. The logistic model is generally used descriptively, dealing as it does with only the susceptible and infected classes and the rate of transfer between them. The present model presents a full but modified SIR model with a simpler logistic solution which is more realistic and equally instructive.

研究动机与目标

• 为解决经典SIR模型中假设从感染类即时移除且与当前感染人数成正比的不切实际问题。
• 引入一个固定的恢复时延 $ T_r $，反映个体在固定时长内保持传染性的生物学事实。
• 推导累积感染比例 $ n(t) $ 的闭式解，表明在延迟模型下其遵循逻辑斯蒂函数。
• 建立疫情参数 $ f_c $、$ T_r $ 与现象学参数 $ f_e $、$ n_p $、$ n_m $ 之间的解析关系，实现数据拟合并支持模型解释。

提出的方法

• 为累积感染比例 $ n(t) $ 建立单一的时滞微分方程（DDE），其中 $ n'(t) = f_c [1 - n(t)] [n(t) - n(t - T_r)] $，建模感染率与易感者及新发感染者的比例成正比。
• 定义各状态为 $ S(t) = 1 - n(t) $，$ I(t) = n(t) - n(t - T_r) $，$ R(t) = n(t - T_r) $，确保总人口守恒并正确实现时滞。
• 推导出逻辑斯蒂解 $ n(t) = n_m + \frac{n_p - n_m}{1 + e^{-f_e(t - t_h)}} $，该解在特定参数约束下满足DDE。
• 利用Lambert W函数将时间缩放参数 $ f_e $ 表达为 $ f_e = f_r \left( R_o + W_0(-R_o e^{-R_o}) \right) $，其中 $ R_o = f_c T_r (1 - n_m) $。
• 建立反向关系：$ f_c = \frac{f_e}{n_p - n_m} $ 与 $ T_r = \frac{1}{f_e} \ln\left( \frac{1 - n_m}{1 - n_p} \right) $，实现从数据中校准参数。
• 通过代入法证明逻辑斯蒂解满足DDE，利用 $ \epsilon = e^{-f_e(t - t_h)} $、$ \epsilon_r = e^{f_e T_r} $ 及推导出的关系 $ \epsilon_r = \frac{1 - n_m}{1 - n_p} $，完成代数验证。

实验结果

研究问题

• RQ1 具有固定恢复时延的改进SIR模型能否产生与实际疫情曲线匹配的闭式解？
• RQ2 在感染与恢复之间引入时间延迟后，与经典SIR模型相比，其动态特性有何变化？
• RQ3 逻辑斯蒂解的现象学参数（$ f_e $、$ n_p $）与底层疫情参数（$ f_c $、$ T_r $）之间的解析关系是什么？
• RQ4 在何种条件下该模型退化为经典SIR模型？时延如何影响基本再生数 $ R_o $？
• RQ5 Lambert W函数能否用于将增长率 $ f_e $ 表示为 $ f_c $、$ T_r $ 和初始免疫力 $ n_m $ 的函数？

主要发现

• 具有固定恢复时延 $ T_r $ 的改进SIR模型，其累积感染比例 $ n(t) $ 的解为逻辑斯蒂函数，该解既具有分析可解性，又比经典SIR模型更具生物学现实性。
• 时间缩放参数 $ f_e $ 的表达式为 $ f_e = f_r \left( R_o + W_0(-R_o e^{-R_o}) \right) $，其中 $ R_o = f_c T_r (1 - n_m) $，且 $ W_0 $ 为Lambert W函数的主分支。
• 当 $ R_o \leq 1 $ 时，$ f_e = 0 $，意味着疫情不会传播，且 $ n(t) = n_m $，证实了该模型与流行病阈值理论的一致性。
• 最终累积感染率 $ n_p $ 与 $ f_e $ 和 $ f_c $ 的关系为 $ n_p = n_m + \frac{f_e}{f_c} $，表明传播率与增长率共同决定了疫情的最终规模。
• 该模型支持反演：给定现象学参数 $ f_e $、$ n_p $、$ n_m $，可反推出底层疫情参数 $ f_c = \frac{f_e}{n_p - n_m} $ 与 $ T_r = \frac{1}{f_e} \ln\left( \frac{1 - n_m}{1 - n_p} \right) $，从而实现基于数据的参数校准。
• 通过代入法与代数验证（使用指数参数 $ \epsilon $），证明了解满足DDE，确认在模型假设下逻辑斯蒂形式为精确解。